Nakama 开源项目教程
1. 项目介绍
Nakama 是一个分布式服务器,专为社交和实时游戏及应用设计。它提供了用户管理、存储、社交功能、聊天、多人游戏、排行榜、锦标赛、团队游戏、应用内购买验证、通知等功能。Nakama 支持通过 Lua、TypeScript/JavaScript 或 Go 语言编写自定义逻辑,扩展服务器功能。
2. 项目快速启动
2.1 使用 Docker 启动
2.1.1 安装 Docker
首先,确保你已经安装了 Docker 并启动了 Docker 守护进程。
2.1.2 创建 docker-compose.yml 文件
在你的项目文件夹中创建一个 docker-compose.yml 文件,内容如下:
version: '3.3'
services:
cockroachdb:
image: cockroachdb/cockroach:v20.2.4
command: start-single-node --insecure
ports:
- "26257:26257"
- "8080:8080"
nakama:
image: heroiclabs/nakama:3.1.1
ports:
- "7350:7350"
- "7351:7351"
depends_on:
- cockroachdb
environment:
- COCKROACH_DATABASE_URL=postgresql://root@cockroachdb:26257/nakama?sslmode=disable
2.1.3 启动服务
在终端中运行以下命令启动服务:
docker-compose up
2.2 使用二进制文件启动
2.2.1 下载二进制文件
从 Nakama 发布页面 下载适用于你平台的二进制文件。
2.2.2 启动 CockroachDB
按照 CockroachDB 的官方文档启动数据库。
2.2.3 运行数据库迁移
在终端中运行以下命令进行数据库迁移:
nakama migrate up --database_address "root@127.0.0.1:26257"
2.2.4 启动 Nakama 服务器
在终端中运行以下命令启动 Nakama 服务器:
nakama --database_address "root@127.0.0.1:26257"
3. 应用案例和最佳实践
3.1 社交游戏
Nakama 提供了强大的社交功能,包括用户注册、登录、好友系统、群组和聊天功能。这些功能非常适合构建社交游戏,玩家可以在游戏中与朋友互动、加入公会并进行实时聊天。
3.2 多人游戏
Nakama 支持实时和回合制多人游戏。开发者可以使用 Nakama 的匹配系统轻松实现多人游戏功能,并利用其排行榜和锦标赛功能增加游戏的竞争性。
3.3 应用内购买验证
Nakama 提供了应用内购买验证功能,开发者可以轻松验证玩家在游戏中的购买行为,确保交易的安全性和合法性。
4. 典型生态项目
4.1 Nakama Console
Nakama Console 是 Nakama 服务器提供的 Web UI,团队可以使用它来查看服务器数据、管理用户数据、更新存储对象、查看实时服务指标等。
4.2 Heroic Cloud
Heroic Cloud 是 Heroic Labs 提供的云服务,支持 Nakama 服务器的部署和管理。它提供了高可用性、数据备份、日志管理等功能,帮助开发者轻松管理生产环境中的 Nakama 服务器。
通过以上步骤,你可以快速启动并使用 Nakama 服务器,构建强大的社交和实时游戏及应用。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00